骨表面修饰的维度分析、机器学习与稻草人谬误：对度量方法的批判性重构与计算范式的辩护

《Quaternary》：On Dimensional Analyses of Bone Surface Modifications, Machine Learning, and Straw Men

　　

骨表面修饰（Bone Surface Modifications, BSM）的识别与解释是重建早期古人类行为的核心，然而近期部分研究人员转向度量量化的趋势面临着重大的认识论和统计学挑战。本文对Keevil/Pante等人提出的"度量方法"进行了批判性评估，指出该方法依赖连续比率尺度测量，但这一基础从根本上被效应器方差（effector variance）——即实验工具与考古记录中（特定于具体遗存组合的）工具之间固有的维度不匹配——所削弱。研究人员通过统计分析证明，该方法所使用的二次判别分析（quadratic discriminant analysis, QDA）因严重的多重共线性（方差膨胀因子VIF > 5）而受到损害，导致模型不稳定，无法推广至化石情境，Gr?unceanu（罗马尼亚）遗存组合的问题性解释即为典型例证。此外，研究人员解构了近期针对机器学习（machine learning, ML）在埋藏学中应用的批评，澄清了关于Wolpert"没有免费午餐"定理的误解，并驳斥了关于数据泄漏的指控。研究人员主张，ML算法在与高分辨率分类数据恰当整合后，能够为埋藏学数据集的分类提供更为稳健和准确的框架。通过揭示这些方法论偏差，研究人员提出了一种BSM分析的新范式，该范式优先考虑基于原始数据集的系统性假设检验、客观数据生成以及实证检验/反驳模型，而非依赖推测性论证和严格的度量量化。

骨表面修饰（Bone Surface Modifications, BSM，即骨骼表面因生物或非生物因素造成的微观痕迹）的识别与解释，始终是古人类学重建早期古人类行为的基石。近年来，该领域已从定性描述向量化、高分辨率二维（2D）和三维（3D）建模转型，试图解决生物与非生物因素之间长期存在的等效性（equifinality）问题。Keevil等人近期发表的研究代表了这一方向的重要尝试，提出了一套基于高分辨率轮廓仪提取的12个变量的度量方法。然而，尽管追求客观性的努力值得肯定，该方法的方法论框架和统计论证仍需经过严格的批判性再评估。

该度量方法的核心前提——即连续比率尺度测量比其他方法提供更优越的参考框架——忽视了一个根本性的认识论障碍：效应器方差（effector variance，即工具尺寸、形态和原材料属性对痕迹度量特征的决定性影响）。与通常不受工具尺寸或原材料影响的定性特征不同，度量变量与效应器的物理属性密不可分。这造成了实验参照数据集与考古记录之间永久性的不匹配，因为史前工具的维度属性往往是未知的，或者即便与动物遗存组合相关联，也可能与用于生成实验参照模型的工具有所不同。研究人员论证，这种"效应器变异"的本质使得纯粹的度量方法具有情境依赖性，当被普遍应用于广泛的考古遗址时，其科学价值从根本上受到限制。

此外，度量方法的统计基础——特别是二次判别分析（quadratic discriminant analysis, QDA）的使用——在研究人员看来存在根本缺陷。研究人员对原始数据和转换后数据的重新分析揭示了严重的多重共线性（multicollinearity，即预测变量之间高度相关导致统计模型不稳定），方差膨胀因子（variance inflation factor, VIF）得分超过了稳定性阈值。预测变量中的这种冗余使得协方差矩阵接近奇异，导致判别系数不稳定，并可能产生无法推广至化石记录的膨胀准确率。除了这些技术问题，Keevil等人还对机器学习（machine learning, ML）在埋藏学（taphonomy，即研究生物遗骸从死亡到化石化的全部过程的学科）中的应用提出了一系列批评，这些批评往往依赖"稻草人"论证，忽视了埋藏学数据的结构现实及原始数据集本身。研究人员认为，ML基埋藏学研究中有时报告的高准确率并非方法不当的产物，而是由分类埋藏学特征中固有的高冗余性和判别力所驱动。

过去二十年间，考古研究人员和研究团队一直在竞争谁的BSM研究方法更优，但研究人员在此指出，由于缺乏标准化实践、不同学术流派以及看待同一数据的多样化格式，这种竞争是徒劳且缺乏基础的。BSM研究中一个核心且独特的问题因此是方法论异质性（methodological heterogeneity）：即应用不同的分析程序来研究同一证据模块。在BSM分析中，这种异质性尤其显著，因为识别标准、记录协议和推理框架在不同研究者之间存在显著差异。这种异质性的后果是双重的：缺乏普遍适用且操作上明确的协议阻止了不同研究者对相同或不同遗存组合应用相同程序并获得一致结果，这削弱了可复制性，阻碍了累积性知识构建；其次，在缺乏启发式标准化的情况下，解释权威可能从方法论严谨性转向学术声誉。

为开展本研究，研究人员采用了以下关键技术方法：从Keevil等人公开的补充数据表S₃中获取了946个实验产生的BSM的维度数据，这些数据涵盖切割痕、敲击痕、食肉动物齿痕和踩踏痕四种类型。数据集包含工具类型（石片工具、两面器工具、未经修饰的工具）和原材料类型（玄武岩、燧石、燧石与石英岩）两个定性因子，以及描述痕迹几何形态的连续测量变量。通过多变量方差分析（multivariate analysis of variance, MANOVA）和单变量方差分析（ANOVA）评估了效应器特征对痕迹几何的影响；采用蒙特卡洛自助模拟（Monte Carlo bootstrap simulation）通过有放回抽样评估了抽样偏差和变量偶然性。共线性分析则通过皮尔逊相关矩阵和方差膨胀因子（VIF）计算进行，在原始数据和经Box-Cox转换（对数转换、逆平方根转换、立方转换）的数据上分别执行。所有统计分析和图形输出均在R（版本4.4.1）环境下完成，完整代码作为补充材料提供。

在"Pante等人和Keevil等人的度量方法：实验设计与数据生成"部分，研究人员指出，Keevil等人使用Pante等人的方法，构建了946个实验产生痕迹的量化数据集，通过白光非接触式轮廓仪进行高分辨率数字化，利用Digital Surf公司的Mountains?软件提取12个度量变量。其分类模型区分四种BSM类型的总体准确率在74%至76%之间。研究人员指出，尽管承认该度量方法比某些替代方法更客观，但它受到情境因素的严重影响。一个关键优势在于定性方法对效应器属性的不变性——例如，无论石片大小如何，同样可能在骨骼上留下带有内部微条痕或特定沟槽形状的切痕。而度量方法则强烈依赖于效应器属性。例如，只需使用大石片复制切割痕、使用小沉积物颗粒复制踩踏痕，便可在维度上完全分离两种样本。由于研究人员对创造考古BSM的效应器的维度属性基本一无所知，这造成了实验类比与考古推断之间的永久性"类比鸿沟"。通过MANOVA分析发现，三种效应器类型（石片工具、两面器工具、未经修饰的工具）产生的切割痕之间存在显著差异（p ≤ 0.001），不同原材料类型之间同样存在显著差异（p ≤ 0.001）。蒙特卡洛自助模拟进一步表明，效应器样本的不平衡会显著改变变量的均值——在模拟情景中，投影面积（Projected.Area）均值比原始数据集高出280%。研究人员还指出，该方法在Gr?unceanu遗址的应用存在严重问题：在该遗址缺乏相关石器工具和其他古人类参与证据的情况下，声称发现了人工切割痕。该遗存组合中超过400个痕迹来源不明，82%的标本呈现根系侵蚀，42%显示沉积后损伤，在这样一个被非生物和生物过程广泛改造的组合中，识别切割痕的证据门槛必须异常之高。

在"Keevil等人的统计分析"部分，研究人员论证了QDA应用于高度相关的度量变量时存在的根本问题。判别分析，尤其是其经典线性形式和二次形式，对预测变量之间的多重共线性敏感，因为其数学表述明确依赖于协方差矩阵的估计和求逆。当预测变量表现出高度共线性时，合并组内协方差矩阵变得病态或接近奇异，这种数值不稳定性危及矩阵求逆，并可能导致标准误膨胀和判别系数不稳定。研究人员对原始数据的分析显示，VIF值范围从5.38延伸至19.43，八个变量超过阈值；经转换后，所有变量的VIF值范围从3.80延伸至114.89，均远高于常见的VIF > 5的共线性阈值。这些高VIF值表明，诸如体积、投影面积和轮廓宽度等几何度量捕获了几近相同的空间信息，这种冗余意味着非常微小的训练数据变化就可能导致判别系数的大规模、不稳定漂移。因此，在此数据集上执行的QDA极有可能遭受严重的过拟合（overfitting），产生不稳定的分类结果，无法推广至新的考古样本。研究人员强调，在将QDA应用于此类数据之前，必须首先通过主成分分析（principal component analysis, PCA）等方法降低数据维度。

在"讨论：机器学习与BSM"这一部分及其子节中，研究人员系统性地解构了Keevil等人对ML在埋藏学中应用的批评。

在"关于没有免费午餐定理"中，研究人员澄清了对Wolpert"没有免费午餐"（no free lunch, NFL）定理的误解。Keevil等人对该定理的理解描述了定理所提出问题的解决方案，而非定理本身。NFL定理从数学上证明，没有任何单一的机器学习算法能在所有可能问题上普遍优于其他算法。因此，实际推论正是研究人员此前的定义：由于无法先验地知道哪种模型最适合考古数据的未知分布，必须测试多种技术（随机森林、支持向量机、K近邻等），并利用经验证据来确定哪一种在特定任务中成功。

在"关于稻草人谬误"中，研究人员驳斥了Keevil等人对Domínguez-Rodrigo和Baquedano研究中"致命编码错误"的指控。实际情况是，Domínguez-Rodrigo和Baquedano进行了18项分析，使用三组变量集和两种ML算法，均在各种方法下获得高准确率：使用全部变量时为98.1–98.4%，仅使用内在变量时为93.3–95.2%，使用三变量集时为88.6–90%。编码错误仅发生在一项补充性的多重拆分评估分析中，且仅涉及三变量数据集；修正后，随机森林的准确率为85.3%，仍属高准确率范畴且与原自助法范围（88.6–90%）一致。Keevil等人未能全面总结所有分析结果，也未能强调即使修正后的结果也远高于其自身方法报告的准确率。关于排印错误，在633个案例中仅有5处（0.7%），修正后重新运行随机森林和决策树，结果仍为95.21%，与原研究一致。

在"关于人为提高准确率"中，研究人员论证了分类变量与数值变量的根本差异。当类别在某些分类变量的水平上表现不同时——即特定类别水平仅在特定结果类别中排他性地出现——分类问题可能接近统计分离状态。如果这种水平-类别关联是确定性的（例如某一水平仅在一个类别中出现），那么100%的分类准确率不仅在理论上是可以实现的，而且在一定程度上是不可避免的。Keevil等人对Domínguez-Rodrigo和Baquedano原始研究中100%准确率的质疑，忽视了其中包含了类别特异性变量。研究人员指出，Domínguez-Rodrigo和Baquedano的100%准确率仅在包含17个变量的完整数据集中报告，其中包括"重叠条痕"和"相关浅条痕"（仅出现在踩踏痕中）以及"相关齿坑"（仅出现在鳄鱼实验样本中）等类别特异性变量。在后续研究中，这些外部变量因两个原因被舍弃：度量变量由效应器决定，而类别特异性变量可能是多期叠加的产物（palimpsestic）。关于自助法（bootstrapping）导致数据泄漏的指控，研究人员援引多项研究证明，当使用三种不同协议——原始数据（无自助法）、"正确"自助法（拆分后）和"不当"自助法（拆分前）——重新分析时，准确率在统计上保持相同。实际上，"不当"方法导致的是略微降低的准确率（欠拟合），而非膨胀。高准确率是由低基数性和低维度的分类埋藏学数据中的冗余性（81.7%至超过99%）驱动的。

在"关于黑箱与性能"中，研究人员指出，Abellán等人提供了直接的统计比较，证明了ML算法在特定数据集上优于传统方法。当应用于相同的原始内在数据集时，传统方法（线性判别分析和多项逻辑回归）持续表现不佳，准确率约80–89%，而ML算法（随机森林、支持向量机、集成学习）达到约95–98%。传统的一般线性模型未能像某些ML算法那样有效地捕捉埋藏学变量中复杂的非线性关系和高相互依赖性。关于深度神经网络在小型高维数据集中"数据饥渴"的批评也被认为过于笼统，现代机器学习实践包含了正则化策略（权重衰减、dropout、早停、迁移学习），可以在应用于小型数据集时显著减轻过拟合。

在"深度学习与埋藏学科学的计算转变"中，研究人员指出其团队早已超越了早期的多变量定性方法和传统几何形态测量（geometric morphometrics）方法，目前正在使用基于卷积神经网络（convolutional neural networks, CNN）的计算机视觉方法。通过整合深度学习（deep learning, DL）框架，研究人员现在可以超越对BSM的通用识别，达到允许精确区分特定因素（例如食肉动物分类群）的分析分辨率。研究证实，这些模型还可以可靠地区分人为切割痕与非生物模拟痕迹（如踩踏和沉积物磨蚀），为在多个上新世-更新世遗址重建复杂的生态互动提供了基础。针对Courtenay等人提出的批评——这些批评声称DL的成功是样本不平衡、图像质量差或缺乏"三重"数据拆分的产物——研究人员通过灰度强度增强、分层K折交叉验证、模型无关元学习（model-agnostic meta-learning, MAML）和小样本监督学习（few-shot supervised learning, FSSL）等方法系统性地证明了DL架构提取的是真正的埋藏学信号而非摄影伪影。即使在使用三重数据拆分（训练-验证-测试）并在受限样本上训练或针对完全"未见"的测试数据集评估时，这些模型仍实现了超过90%的分类率。然而，研究人员也认识到DL方法的局限性：当骨骼表面经历成岩蚀变（包括化学腐蚀、风化、踩踏磨蚀、根系侵蚀或沉积抛光）时，原始的微结构特征可能被部分抹除或形态上发生转变，在此条件下DL系统可能将改造后的人为痕迹误分类为非人为痕迹（假阴性），或反之将成岩表面不规则性解释为文化改造痕迹（假阳性）。

综上所述，本研究对Keevil等人提出的度量框架进行了批判性再评估。研究人员论证，纯粹度量性、效应器变异的方法在结构上受到情境依赖性、多重共线性和抽样偶然性的约束。因为维度变量与实验效应器的物理属性内在地关联，度量参考数据集不能被假定为可普遍转移至考古遗存组合中。对Keevil等人数据的统计再分析进一步表明，在存在严重多重共线性的情况下依赖QDA等判别方法，会破坏所报告分类模型的稳定性和可解释性。高VIF值表明预测变量之间存在大量冗余，使协方差矩阵病态化，判别系数不稳定。在没有事先降维或正则化的情况下，所报告的准确率值不能被视为统计上稳健或在考古学上可推广。研究人员还论证，针对ML在埋藏学中应用的批评往往依赖于选择性解释、对重采样程序的错误描述或未经实证反驳的推测性担忧。比较分析表明，ML算法在应用于结构冗余的分类数据集时持续优于经典判别方法，高分类准确率由内在数据结构驱动，而非由自助法伪影或信息泄漏导致。计算机视觉和DL等先进计算方法的整合代表了该领域的实质性转变，在严格验证的情况下提供了前所未有的数据捕获和分类客观性。然而，DL在认识论上也并非没有局限——其可靠性取决于应用于史前记录的保存质量、数据集代表性以及实验参照样本对完整埋藏学变异谱系的覆盖。研究人员认为，BSM研究的未来不在于在度量简单性与计算复杂性之间做出非此即彼的选择，也不在于通过修辞性批评捍卫既有范式。相反，进步需要整合方法论严谨性、统计素养、实验透明度和实证可证伪性，分析框架必须在可展示的性能、可复制性和理论连贯性的基础上进行评估，而非基于哲学偏好或假定的可解释性。通过超越选择性批评并走向系统性验证，埋藏学科学能够巩固一种可复制的、有理论基础的范式，以解决关于早期古人类行为和遗址形成过程的长期争论。